采用噪声锚点对齐的几何数据扰动隐私保护协作学习

arXiv:2608.18749v2 公告类型：替换 摘要：几何数据扰动使隐私保护协作学习能够实现单轮表示共享：每个参与者对其私有数据应用一种保密的保距离变换，并将所得表示上传至中央分析者。我们研究分析者与参与者串通的情形，即串通参与者披露其数据和变换，以帮助分析者重构另一参与者的数据。彼此独立且针对参与者分别设定的变换能够阻止利用已披露的公共变换进行直接逆变换，但会使上传数据处于彼此不兼容的坐标系中，从而降低合并学习的效果。Data Collaboration 分析通过对齐一个不向分析者公开的公共锚点矩阵的变换副本，恢复坐标兼容性。我们证明，当中心化锚点矩阵具有满列秩时，披露该矩阵的串通者能够精确恢复每个参与者的变换，并对无噪声私有表示进行逆变换。向私有数据表示中添加噪声虽然不会破坏这一变换恢复通道，却会以显著的效用代价减少泄露。相反，我们对锚点表示进行扰动：每个参与者仅扰动其经过变换的锚点表示，在保持私有数据上传结果几何结构的同时，将已知锚点的变换恢复转化为一个带噪估计问题。分析者使用针对广义正交 Procrustes 问题的谱估计器来估计对齐变换。我们针对该协议分析恢复攻击，并在 CelebA 和 VGGFace2 人脸图像数据集上比较两种噪声放置方式。在所评估的串通攻击下，在身份关联水平较低时，噪声锚点对齐能够保持更高的下游准确率。参与者数量实验考察了在测得的关联程度相当时，更大规模协作所带来的效用提升及其局限性。